Formation : Introduction à l'open source / open weight

Module 1 — Notions fondamentales

• Comprendre ce qu'est un modèle de langage et ce que sont ses poids (weights) : la connaissance encodée lors de l'entraînement.
• Distinguer les trois briques d'un modèle : code d'inférence, poids et données d'entraînement.
• Situer les trois grandes catégories : modèles fermés (closed), open source et open weight.
• Comprendre pourquoi l'ouverture concerne la transparence, la reproductibilité et la gouvernance, pas seulement l'accès au fichier final.
• Replacer le sujet dans le mouvement historique des quatre libertés du logiciel libre : exécuter, étudier, modifier, distribuer.

Module 2 — Distinguer open source et open weight

• Définir l'open weight : les poids sont téléchargeables et exécutables, sans nécessairement fournir le code d'entraînement ni les données.
• Définir l'open source au sens strict : accès à la « recette » complète (code, méthodologie, données) permettant de reconstruire et d'auditer le modèle.
• Comprendre que la plupart des modèles présentés comme « open source » (Llama, DeepSeek, Qwen, Gemma) sont en réalité open weight.
• Analyser le cas Llama : poids diffusés mais licence communautaire restrictive, jugée non conforme à l'open source par l'Open Source Initiative.
• Comprendre les enjeux pratiques de la distinction : audit, indépendance vis-à-vis d'un fournisseur et personnalisation.

Module 3 — Lire et comprendre une licence

• Identifier les licences permissives courantes (Apache 2.0, MIT) et ce qu'elles autorisent.
• Repérer les licences restrictives ou « communautaires » limitant l'usage commercial ou imposant des conditions.
• Vérifier les droits clés : usage commercial, modification, redistribution et fine-tuning.
• Se référer à la définition de l'Open Source AI (OSAID) de l'Open Source Initiative pour évaluer une annonce d'ouverture.
• Contrôler les obligations : attribution, mention de licence et restrictions d'usage (acceptable use policy).

Module 4 — Auto-hébergement et enjeux

• Comprendre l'intérêt du self-hosting : confidentialité des données, indépendance et maîtrise des coûts.
• Évaluer les prérequis matériels : mémoire GPU/CPU, RAM et espace disque selon la taille du modèle.
• Comprendre la quantification (quantization) pour réduire l'empreinte mémoire d'un modèle.
• Distinguer les formats et outils d'exécution locale (GGUF, Ollama, LM Studio, llama.cpp).
• Peser les compromis entre modèle local (souveraineté, coût fixe) et API cloud (simplicité, puissance).

Module 5 — Lancer un modèle en local

• Installer Ollama et télécharger un modèle open weight (par exemple Llama, Mistral ou Gemma).
• Exécuter une première inférence en ligne de commande et dialoguer avec le modèle.
• Choisir une taille de modèle adaptée à sa machine et régler les paramètres de base.
• Interroger le modèle via une API locale pour l'intégrer à un outil ou un script.
• Adopter les bonnes pratiques : vérifier la licence avant tout usage professionnel, tester la qualité et sécuriser l'accès.